盲人出行一直是社会关注的核心问题,如何辅助盲人安全出行,正成为社会各界关注的焦点。目前导盲辅助系统大多基于红外检测、超声波传感、障碍物测距、GPS定位等技术实现。上述导盲设备在一定程度上实现了路面障碍物检测、障碍物测距、盲人定位等功能,但对于室内外物体检测和识别功能有限。近年来,深度学习技术在计算机视觉领域的广泛应用,为智能化导盲系统解决方案的实现带来新的研究思路。然而目前基于深度学习技术的导盲系统仍存在以下不足:1)多聚焦于室外盲道分割、盲道障碍物检测等功能实现,对于室内障碍物检测能力有限;2)大多只关注获取障碍物目标信息,缺乏对于盲人更为重要的周围场景语义信息;3)大多基于经典目标检测模型实现,终端系统部署实时性很难保证。针对以上不足,论文设计了一种基于场景识别和障碍物检测的轻量级模型导盲系统,可以满足终端系统精度和实时性要求。论文从场景识别模型优化、障碍物检测模型轻量化、模型压缩等方面展开研究,主要研究内容如下:（1）论文针对室内外场景制作了专门的数据集,采用轻量级网络EfficientNet-b0进行场景识别模型训练。为提升EfficientNet-b0分类精度,在保证其轻量性的前提下引入CBAM注意力机制模块,重构MBConvBlock模块,提高了模型的特征提取能力。改进后的CBAM+EfficientNet-b0模型分类精度Acc 1达到98.65%,相较原模型提升了 0.84%。（2）对于障碍物检测网络模型,针对YOLOv5s模型复杂度较高、推理速度较慢等问题,引入轻量级网络MobileNet作为YOLOv5s的主干特征提取网络。轻量后的MobileNet-YOLOv5s模型参数量为3.57M,在CPU上的推理速度为7.34FPS,参数量约为YOLOv5s的50%,推理速度是YOLOv5s的1.6倍。模型检测精度mAP为70.8%,但相较原模型精度损失了 6.8%。（3）针对轻量化后的MobileNet-YOLOv5s模型存在参数冗余和精度损失等问题,论文提出了一种先剪枝再蒸馏的模型压缩方案。首先使用不同的稀疏率、剪枝阈值对模型进行剪枝,以达到最佳的模型压缩效果,再选取差异化的教师网络对模型进行蒸馏,提升模型精度。经过模型压缩的MobileNet-YOLOv5s模型参数量为2.99M,在CPU上的推理速度达到9.67FPS,推理速度是YOLOv5s的2.05倍,模型检测精度mAP为73.9%,相比于MobileNet-YOLOv5s模型精度提升了 3.1%。（4）最后,设计了一款基于场景识别和障碍物检测的导盲系统,系统采用微服务架构。系统功能包括用户管理、障碍物检测、场景识别、语音播报、一键求助以及定位等功能。系统能够满足盲人群体室内外实时性的导盲需求。